from skimage import io
import numpy as np
import matplotlib.pyplot as plt
import skimage.segmentation as seg
import skimage.filters as filters
from skimage.morphology import disk
from skimage.measure import label
from skimage.color import label2rgb
from skimage import exposure
import cv2
from skimage.morphology import diamond
from scipy import ndimage as ndi
Создадим 2 собственные функции для отображения картинки и гистограммы изображения. Загрузим исходное изображение.
def image_show(image, nrows=1, ncols=1, cmap='gray'):
fig, ax = plt.subplots(nrows=nrows, ncols=ncols, figsize=(14, 14))
ax.imshow(image, cmap='gray')
ax.axis('off')
return fig, ax
def hist_show(image):
fig, ax = plt.subplots(1, 1)
ax.hist(image.ravel(), bins=32, range=[0, 256])
ax.set_xlim(0, 256)
Composite = io.imread('F:\\Sasha\\Composite.png')
image_show(Composite)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
Загрузим картинку для нашего анализа поканально в формате png. В С1 у нас будет хранится сигнал с поверхности клеток, в С3 - ядра.
C1 = io.imread('F:\\Sasha\\C1.png')
image_show(C1)
hist_show(C1)
C3 = io.imread('F:\\Sasha\\C3.png')
image_show(C3)
hist_show(C3)
Для начала обработаем изображение С3 медианным фильтром с использованием морфологического фильтра disk с ядром 3. Выведем получившуюся картинку и ее гистограмму.
C3_med = filters.median(C3, disk(3))
C3_med = exposure.rescale_intensity(C3_med)
image_show(C3_med)
hist_show(C3_med)
Создадим маску, которая будет очерчивать наши объекты, уровень трешхолда поставим исходя из гистограммы С3_med. Те ядра, что касаются края изображения удалим. Некоторые ядра не разделились полностью, попробуем разделить их другим методом.
mask = C3_med > 60
clean_border = seg.clear_border(mask)
C3_seg = seg.mark_boundaries(C3_med, clean_border.astype(np.int32))
image_show(C3_seg)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
Используем морфологические фильтры чтобы отделить бэкграунд от объектов.
img = cv2.imread('F://Sasha//C3.png')
ret,thresh = cv2.threshold(C3_med,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((1,1),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 3)
sure_bg = cv2.dilate(opening,kernel,iterations=3)
image_show(sure_bg)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,3)
ret, sure_fg = cv2.threshold(dist_transform, 0.1*dist_transform.max(),255,0)
sure_fg = np.uint8(sure_fg)
image_show(sure_fg)
unknown = cv2.subtract(sure_bg,sure_fg)
ret, markers = cv2.connectedComponents(sure_fg)
markers = markers+1
markers[unknown==255] = 0
markers = cv2.watershed(img,markers)
img[markers == -1] = [255,0,0]
image_show(img)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
Вторым способом получилось примерно так же как и первым, некоторые ядра слипаются. Перейдем к обработке второй картинки.
Пропустим ее через медианный фильтр с морфологическим фильтром diamond, размера 2. Т.к. картинка очень неоднородная по интенсивности,
проверим разные фарианты трешхолда.
hist_show(C1)
C1_med = filters.median(C1, diamond(2))
image_show(C1_med)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
tresholded = filters.thresholding.try_all_threshold(C1_med)
skimage.filters.thresholding.threshold_isodata skimage.filters.thresholding.threshold_li skimage.filters.thresholding.threshold_mean skimage.filters.thresholding.threshold_minimum skimage.filters.thresholding.threshold_otsu skimage.filters.thresholding.threshold_triangle skimage.filters.thresholding.threshold_yen
Воспользуемся алгоритмом трешхолда isodata.
threshold = filters.threshold_isodata(C1_med)
print("Threshold value is {}".format(threshold))
predicted = np.uint8(C1_med > threshold) * 255
image_show(predicted)
labeled = label(predicted)
Threshold value is 53
Присвоим определенным объектам цветные лейблы.
image_label_overlay = label2rgb(labeled, image=C1_med, bg_label=0)
image_show(image_label_overlay)
(<Figure size 1008x1008 with 1 Axes>, <AxesSubplot:>)
